ru.ac.za

이 이메일 도메인이 관측된 논문 2건

arXiv:2607.09821v1eess.IV

의료 영상 분석에서 로컬 및 비로컬 유사도 측정을 위한 클러스터링 알고리즘의 성능 벤치마킹 및 최적화

Performance Benchmarking and Optimisation of Clustering Algorithms for Local and Non-Local Similarity Measure in Medical Image Analysis

의료 영상은 고해상도 이미지를 생성하여 저장, 전송, 연산 측면에서 상당한 문제를 야기한다. 저랭크 행렬 근사(LoRMA) 기법은 구조적 중복성을 활용하여 효율적인 압축을 제공하지만, 전역적 접근 방식은 진단에 중요한 로컬 세부 정보를 보존하지 못하는 경우가 많다. 본 논문은 의료 영상 내에서 구조적으로 유사한 영역을 식별하기 위해 비로컬 자기 유사성(non-local self-similarity)을 활용하는 클러스터링 기법에 초점을 맞춘다. 이러한 클러스터는 적응형 이미지 압축과 같은 후처리 작업에 활용될 수 있다. 본 연구에서는 MRI, 초음파, 흉부 X선 모달리티에 걸쳐 k-평균(k-means), 미니배치 k-평균(mini-batch k-means), 응집형 계층적 클러스터링(agglomerative hierarchical clustering), 계층 구조를 이용한 균형 반복 축소 및 클러스터링(BIRCH), 이분 k-평균(bisecting k-means) 등 다섯 가지 클러스터링 기법을 평가한다. 모든 클러스터링 기법은 랜덤 탐색을 통해 최적화되었으며, 클러스터 품질은 실루엣 점수(Silhouette score), 데이비스-볼딘(DB) 지수, 칼린스키-하라바즈(CH) 지수를 사용하여 평가하였다. 실험 결과, 표준 k-평균과 이분 k-평균이 전반적으로 모달리티 전반에 걸쳐 우수한 클러스터 응집도와 분리도를 달성하는 것으로 나타났다. 그러나 이 기법들은 클러스터 내 변동성이 높은 소수의 클러스터를 형성하는 경향이 있어, 적응형 압축과 같은 후처리 작업에서의 효과가 제한된다. 응집형 클러스터링은 클러스터 내 균질성 측면에서 MRI 및 초음파에 대해 다른 기법들보다 우수한 성능을 보여, 정밀한 진단 세부 정보 보존에 더 적합하다. 흉부 X선의 경우, 미니배치 k-평균이 클러스터링 품질과 클러스터 내 응집도 간의 최적 균형을 달성하였다. BIRCH는 모든 모달리티에서 일관되게 낮은 성능을 보였다.